信息化预测：利用辅助知识提升大语言模型在时间序列预测中的性能
机器学习
2025-09-29 v3 应用统计
摘要
随着大语言模型（LLM）的广泛采用，日益增长的需求是为将其能力局限于传统自然语言任务之外确立最佳实践。本文提出了一种新颖的跨域知识迁移框架，用于增强大语言模型在时间序列预测中的性能——这是一项在能源系统、金融和医疗保健等领域日益重要的任务。该方法系统性地将结构化时序信息注入大语言模型，以提高其预测准确性。本研究在真实世界的时间序列数据集上评估了所提方法，并将其与一种不使用任何辅助信息的简单基线进行比较。结果表明，知识驱动的预测在预测准确性和泛化能力方面均显著优于未知情报的基线。这些发现凸显了知识迁移策略在弥合大语言模型与领域特定预测任务之间差距方面的潜力。
引用
@article{arxiv.2505.10213,
title = {Informed Forecasting: Leveraging Auxiliary Knowledge to Boost LLM Performance on Time Series Forecasting},
author = {Mohammadmahdi Ghasemloo and Alireza Moradi},
journal= {arXiv preprint arXiv:2505.10213},
year = {2025}
}